การจําแนกสถานะทารกในครรภ์โดยการใช้เครื่องมือติดตามอัตราการเต้นของหัวใจ และการหดรัดตัวของมดลูกด้วยเทคนิคต้นไม้ตัดสินใจ
คำสำคัญ:
สถานะทารกในครรภ์, การจําแนก, การหดรัดตัวของมด, เครื่องมือติดตามอัตราการเต้นของหัวใจ, ต้นไม้ตัดสินใจบทคัดย่อ
งานวิจัยชิ้นนี้มีวัตถุประสงค์เพื่อจำแนกสถานะทารกในครรภ์เบื้องต้น และสร้างตัวแบบการจำแนกสถานะทารกในครรภ์ เพื่อช่วยในการเฝ้าระวังความเสี่ยงที่อาจจะเกิดขึ้นกับทารกในครรภ์ เนื่องจากการตรวจสุขภาพของทารกในครรภ์เป็นสิ่งจำเป็นในระยะก่อนคลอดเพื่อการค้นหาทารกในครรภ์ที่มีความเสี่ยงในการเกิดการบาดเจ็บต่อระบบประสาทในครรภ์ (Neurologic injury) และการเสียชีวิตของทารก ซึ่งหากเป็นภาวะที่สามารถป้องกันได้ จะได้เฝ้าระวังมิให้เกิดขึ้น ในการทำวิจัยครั้งนี้ได้นำเสนอวิธีการจำแนกสถานะของทารกในครรภ์โดยใช้ชุดข้อมูลคาร์ดิโอโตกราฟีของ J.Bernardes จากมหาวิทยาลัยปอร์โต สาธารณรัฐโปรตุเกสซึ่งประกอบด้วยจำนวนคุณลักษณะ 23 คุณลักษณะ และกลุ่มตัวอย่างจำนวน ทั้งสิ้น 2,126 ตัวอย่าง เพื่อให้การทดลองได้ค่าความถูกต้องสูงสุด ผู้วิจัยได้ออกแบบการทดลอง 10-fold cross validation โดยนำเทคนิคในกลุ่มของต้นไม้ตัดสินใจอันได้แก่ Decision Stump, Hoeffding Tree, J48, Logistic Model Tree, Random Forest, Random Tree และ REP Tree มาเปรียบเทียบกัน และผลการทดลองปรากฎว่าการจำแนกสถานะจะใช้การสร้างต้นไม้ตัดสินใจด้วยขั้นตอนวิธี J48 เป็นวิธีที่ให้ค่าความถูกต้องอยู่ที่ร้อยละ 92.79
เอกสารอ้างอิง
[2] McKinney D, House M, Chen A, et al. The influence of interpregnancy interval on infant mortality. Am J Obstet Gynecol 2017;216:316.e1-9.
[3] R. Ramos, C. Silva, M. W. L. Moreira, J. J. P. C. Rodrigues, M. Oliveira and O. Monteiro, "Using predictive classifiers to prevent infant mortality in the Brazilian northeast," 2017 IEEE 19th International Conference on e-Health Networking, Applications and Services (Healthcom), 2017, pp. 1-6, doi: 10.1109/HealthCom.2017.8210811.
[4] P. A. Warrick, E. F. Hamilton, D. Precup and R. E. Kearney, "Classification of Normal and Hypoxic Fetuses From Systems Modeling of Intrapartum Cardiotocography," in IEEE Transactions on Biomedical Engineering, vol. 57, no. 4, pp. 771-779, April 2010, doi: 10.1109/TBME.2009.2035818.
[5] N. Chamidah and I. Wasito, "Fetal state classification from cardiotocography based on feature extraction using hybrid K-Means and support vector machine," 2015 International Conference on Advanced Computer Science and Information Systems (ICACSIS), 2015, pp. 37-41, doi: 10.1109/ICACSIS.2015.7415166.
[6] A. M. Posonia, S. Vigneshwari and D. J. Rani, "Machine Learning based Diabetes Prediction using Decision Tree J48," 2020 3rd International Conference on Intelligent Sustainable Systems (ICISS), 2020, pp. 498-502, doi: 10.1109/ICISS49785.2020.9316001.
[7] U. Akkanapalli, M. Mudigonda and A. Palakurti, "Digitization and Analysis of Cardiotocography Records," 2020 IEEE-HYDCON, 2020, pp. 1-3, doi: 10.1109/HYDCON48903.2020.9242781.
[8] M. Ramla, S. Sangeetha and S. Nickolas, "Fetal Health State Monitoring Using Decision Tree Classifier from Cardiotocography Measurements," 2018 Second International Conference on Intelligent Computing and Control Systems (ICICCS), 2018, pp. 1799-1803, doi: 10.1109/ICCONS.2018.8663047.
[9] N. Sevani, I. Hermawan and W. Jatmiko, "Feature Selection based on F-score for Enhancing CTG Data Classification," 2019 IEEE International Conference on Cybernetics and Computational Intelligence (CyberneticsCom), 2019, pp. 18-22, doi: 10.1109/CYBERNETICSCOM.2019.8875656.
[10] K. Agrawal and H. Mohan, "Cardiotocography Analysis for Fetal State Classification Using Machine Learning Algorithms," 2019 International Conference on Computer Communication and Informatics (ICCCI), 2019, pp. 1-6, doi: 10.1109/ICCCI.2019.8822218.
[11] P. Hamelmann et al., "Doppler Ultrasound Technology for Fetal Heart Rate Monitoring: A Review," in IEEE Transactions on Ultrasonics, Ferroelectrics, and Frequency Control, vol. 67, no. 2, pp. 226-238, Feb. 2020, doi: 10.1109/TUFFC.2019.2943626.
[12] N. Chumuang et al., "An Efficiency Random Forest Algorithm for Classification of Patients with Kidney Dysfunction," 2020 15th International Joint Symposium on Artificial Intelligence and Natural Language Processing (iSAI-NLP), 2020, pp. 1-6, doi: 10.1109/iSAI-NLP51646.2020.9376785.
[13] หิรัญจันทร์ศ., ปั้นดี ฏ., และ เกตุฉ่ำม., “ระบบตรวจจับและแจ้งเตือนข้อมูลทะเบียนรถ สำหรับกล้องวงจรปิดบนทางเท้า”, STIJ, ปี 1, ฉบับที่ 1, น. 1-7, ก.พ. 2020.
[14] ว่องวุฒิไกรธ., “ระบบตรวจจับบุคคลเพื่อเฝ้าระวังในพื้นที่ที่กำหนด”, STIJ, ปี 1, ฉบับที่ 1, น. 39-46, ก.พ. 2020.
[15] สุมนพันธ์เ., ธงชัยร., คำชื่นช., และ วิริยะรัตนกุลโ., “ระบบควบคุมและแจ้งเตือนการเจริญเติบโตของเห็ดนางฟ้าภูฐาน ด้วยการประมวลผลภาพและอินเทอร์เน็ตในทุกสิ่ง”, STIJ, ปี 2, ฉบับที่ 3, น. 1-10, ก.ค. 2021.
[16] ใจเพชรก. และ ตั้งตราชูพ., “ระบบคัดกรองผู้ที่มีอาการป่วยในที่สาธารณะ”, STIJ, ปี 1, ฉบับที่ 4, น. 16-19, พ.ย. 2020.
[17] S. Thiennoi, N. Chumuang and C. Siladech, "An Efficiency Comparison for Predicting of Educational Achievement Based on LMT," 2019 14th International Joint Symposium on Artificial Intelligence and Natural Language Processing (iSAI-NLP), 2019, pp. 1-6, doi: 10.1109/iSAI-NLP48611.2019.9045703.
[18] P. Mangalkar and V. Barkade, "Efficient Categorization of Document with J48 Multi-Class Classifiers," 2019 5th International Conference On Computing, Communication, Control And Automation (ICCUBEA), 2019, pp. 1-5, doi: 10.1109/ICCUBEA47591.2019.9128665.
[19] W. Ninphet, N. Chumuang, C. Siladech and M. Ketcham, "The Development of a Model to Predict Marbling Score for fattening Kamphaeng Saen Beef Breed Using Data Mining," 2019 14th International Joint Symposium on Artificial Intelligence and Natural Language Processing (iSAI-NLP), 2019, pp. 1-6, doi: 10.1109/iSAI-NLP48611.2019.9045289.
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
สัญญาอนุญาต
1. บทความที่ลงตีพิมพ์ทุกเรื่องต้องผ่านการพิจารณาคุณภาพทางวิชาการจากผู้ทรงคุณวุฒิประจำศาสตร์ (Peer Review) จำนวน 3 ท่าน ต่อ 1 บทความ
2. ข้อความหรือข้อคิดเห็นในวารสารวิทยาศาสตร์ เทคโนโลยี และนวัตกรรม ฉบับนี้เป็นของผู้เขียนบทความ คณะผู้จัดวารสารไม่จำเป็นต้องเห็นด้วย
3. กองบรรณาธิการวารสารวิทยาศาสตร์ เทคโนโลยี และนวัตกรรม ไม่สงวนสิทธิ์ในการคัดลอกแต่ให้อ้างอิงแสดงที่มา
